CN110311718A - 一种大规模mimo信道状态信息反馈中的量化和逆量化方法 - Google Patents

Abstract

本发明公开了一种大规模MIMO信道状态信息反馈中的量化和逆量化方法。首先，在用户端获取信道矩阵，对信道矩阵作二维DFT变换，使得在空间‑频率域的信道矩阵变换为在角度‑时间延迟域稀疏的信道矩阵；其次，构建经量化的信道反馈及重建的模型Quantized‑CsiNet；再次，对经量化的信道反馈及重建模型进行训练；然后，对输出的重建信道矩阵作二维逆DFT变换，恢复出原始空间‑频率域的信道矩阵重建值；最后，将此训练好的Quantized‑CsiNet模型应用于各实际场景中的信道状态信息反馈，重建出原信道矩阵。本发明通过在CsiNet中加入量化和逆量化模块可获得实际可传输的信道状态信息比特流，并减小大规模MIMO信道信息的反馈开销，提高重建精度，特别是对量化误差具有极好的鲁棒性。

Description

一种大规模MIMO信道状态信息反馈中的量化和逆量化方法

技术领域

本发明涉及一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，属于通信技术领域。

背景技术

大规模多输入多输出(Massive Multiple-Input Multiple-Output，MassiveMIMO)系统被广泛认为是5G无线通信系统的一个主要技术。这种系统通过给基站配置数百甚至数千根天线组成天线阵列，可以大大减少多用户干扰，从而在相同的时频资源块上同时服务多个用户，并提供成倍增加的蜂窝小区吞吐量。然而，上述潜在的好处主要是通过利用在基站中的CSI 获得的。时分双工(Time-Division Duplexing，TDD)技术虽可从上行链路获得CSI，但需要复杂的校准过程，而频分双工(Frequency-Division Duplexing,FDD)技术则是完全需要通过反馈获得CSI。在现今的FDD Massive MIMO系统中，在训练期间，用户设备(User Equipment， UE)作为接收端获取下行链路的CSI，并通过反馈链路将CSI返回给基站(Base Station，BS)。由于大规模MIMO系统中天线数量大大增加，反馈完整的CSI会带来巨大的开销，通常采用矢量量化或基于码本的有限反馈算法，但会出现量化误差增大、码本设计复杂、反馈开销线性增长等问题，因而不适用于大规模MIMO系统的信道反馈。

目前已提出的基于深度学习的大规模MIMO信道状态信息反馈及重建模型CsiNet，利用信道状态信息的空时相关性和压缩感知的理论来重建CSI，并且减小了反馈开销。但是CsiNet 在用户端对CSI数据仅仅只做了压缩采样，并没有经过实际中信号在传输前所要经过的完整的处理过程，即压缩感知方法并没有把CSI数据压缩成真正的传输形式，因为其没有产生可以传输的比特流，仅仅只对信息做了维度上的减少。信号在传输之前都要经过由模拟到数字的转换，用有限个比特进行表示才能进行存储、传输和处理。因此，在传输前，由压缩感知得到的测量矩阵需要经过量化编码，然而也引入了量化误差。因此，在基站端译码之前也需要对接收到的数据进行逆量化处理，以抵消量化误差。

发明内容

为克服现有CsiNet的不足，本发明根据CSI数据的分布特点，提供一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，弥补CsiNet中没有考虑实际数据传输形式的缺陷，并且使得新网络对量化误差具有较强的鲁棒性。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，包括以下步骤：

步骤一：在MIMO的用户端，获取信道状态信息在空间-频率域的信道矩阵并对其作二维离散傅里叶变换，获得在角度-时间延迟域稀疏的信道矩阵H；

步骤二：构建经量化的信道反馈及重建模型Quantized-CsiNet，此模型包括编码器、译码器和量化、逆量化模块，其中编码器、量化模块属于用户端，逆量化模块和译码器属于基站端；在用户端，H输入编码器，编码器将H压缩成低维度的码字后输入量化模块，量化模块将低维度的码字进行量化；在基站端，量化后的码字输入逆量化模块，逆量化模块将量化后的码字进行恢复后输入译码器，译码器输出重建后的H的估计值

步骤三：对Quantized-CsiNet进行训练，使代价函数最小，以获得模型参数；

步骤四：对进行二维逆DFT变换，得到的重建值；

步骤五：将步骤三已训练好的Quantized-CsiNet中用于各场景下信道状态信息的反馈和重建，重建出角度-时间延迟域稀疏的信道矩阵并通过二维逆DFT变换恢复得到空间-频率域的信道矩阵的重建值。

作为本发明的进一步技术方案，步骤二中：编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将H的实部和虚部分离后共同作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；量化模块采用μ律非均匀量化，先将码字s转化为量化码字q，进而将其编码为可传输的比特流，经上行链路发送到基站端；

逆量化模块先将传输的比特流恢复成量化的码字q，再将量化码字q输入一个由全连接层组成的Offset网络，输出逆量化后恢复的压缩码字

译码器依次包含一个全连接层、一个Reshape层、两个卷积层和四个RefineNet单元，随机初始化各层参数，输入恢复后的压缩码字输出与H维度相同的

作为本发明的进一步技术方案，μ律非均匀量化的压扩函数公式描述如下：

其中，x为输入的压缩编码后的码字，y为经压扩函数压缩后的码字，μ为μ律中控制压扩程度的参数。

作为本发明的进一步技术方案，Offset网络包含一个输入层和三个全连接层，其中输入层数据与最后一个全连接层输出数据相加作为Offset网络的输出。

作为本发明的进一步技术方案，译码器依次包含一个全连接层、两个RefineNet单元和一个卷积层。

作为本发明的进一步技术方案，RefineNet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加作为RefineNet单元的输出。

作为本发明的进一步技术方案，编码器、RefineNet单元和Offset网络的最后一层采用的是Tanh激活函数，译码器的最后一个卷积层采用sigmoid激活函数，编码器、译码器和Offset 网络的其余各卷积层均采用Leaky_ReLU激活函数并使用批归一化，除Offset网络以外的其他全连接层则采用线性激活函数。

作为本发明的进一步技术方案，步骤三中采用Adam优化算法和端到端的学习方式对 Quantized-CsiNet进行训练，使代价函数最小，其中代价函数为：

其中，M为训练集的所有样本数，||·||₂为欧几里得范数，为||·||₂的平方，H_i为训练集中第i个样本对应的角度-时间延迟域稀疏的信道矩阵；为重建后的H_i的估计值，λ是控制量化误差的正则化项系数，s_i是训练集中第i个样本对应的编码器输出的低维度的码字，是s_i经逆量化后恢复的码字。

作为本发明的进一步技术方案，步骤三中所述的模型参数包括全连接层的权重、偏置和卷积层的卷积核、偏置。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

1)本发明考虑了CSI数据在实际反馈链路中的传输，弥补了CsiNet的不足，使其能产生可在反馈链路中传输的比特流。另外，通过观察压缩码字s的特点，发现其取值分布不均匀且集中在较小数值附近的特点，若采用均匀量化，会造成比重较多的小数据的量化误差较大。因而，采用μ律非均匀量化，且通过调整压扩函数中的μ值可达到较好的量化效果，信量噪比较高。且在基站端译码器之前引入了一个Offset网络进行逆量化，抵消量化误差，使整体网络对量化误差具有较强的鲁棒性；

2)本发明是经量化的信道压缩及重建网络Quantized-CsiNet，该网络基于CsiNet架构，主要由神经网络中的卷积层和全连接层构成，通过端到端和数据驱动的训练方案，直接从信道样本中学习信道结构，得到有效的经量化压缩码字的比特流，并利用由全连接层构成的残差网络恢复压缩码字，再由卷积层构成的残差网络恢复出原始信道矩阵。该方案在实际信道传输的问题上克服了已有CsiNet存在的缺陷，且采用μ律非均匀量化和offset网络的逆量化，较大程度地减少了引入的量化误差，保证了极高的重建精度。实际中，信息在信道中传输时是以比特的形式存在，在CsiNet的基础上加入了符合数据分布特点的量化和逆量化模块，可以构建出对量化误差鲁棒的CSI反馈网络；

3)本发明可产生在实际反馈链路中传输的CSI比特流，具有较高的实际意义，并且极大地抵消了产生的量化误差，保证了极高的重建精度，对量化误差具有极好的鲁棒性。

附图说明

图1是本发明方法采用Quantized-CsiNet网络架构图；

图2是本发明中CSI压缩码字在各场景下的数值分布图，其中(a)、(b)、(c)、(d)、(e)、 (f)、(g)、(h)分别为在4倍、8倍、16倍和32倍压缩率的室内和室外场景中CSI压缩码字数值分布；

图3是本发明中采用的μ律非均匀量化中不同μ值对应的输入输出关系。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

如图1所示，本发明设计了一种大规模MIMO信道状态信息压缩反馈重建中的量化及逆量化方法，该方法具体包括以下步骤：

步骤一：在MIMO的用户端，获取信道状态信息在空间-频率域的信道矩阵并对其作二维离散傅里叶变换，获得在角度-时间延迟域稀疏的信道矩阵H，具体公式描述如下：

步骤二：构建经量化的信道反馈及重建的模型Quantized-CsiNet。此模型包括编码器、译码器和量化、逆量化模块，其中编码器、量化模块属于用户端，逆量化模块和译码器属于基站端。在用户端，编码器将输入的信道矩阵H压缩成低维度的码字，量化模块将码字量化，使其可用有限个比特表示以实现比特流的传输；在基站端，逆量化模块将输入的量化后的码字恢复，译码器从逆量化后的码字重建后的原信道矩阵估计值具体步骤如下：

(1)用户端包括一个编码器和一个量化模块

编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将角度-时间延迟域稀疏的复数信道矩阵H的实部和虚部拆分后作为两通道的特征图输入编码器，输出为比H维度低的一维向量，即为压缩编码后的码字s。

量化模块通过观察压缩码字s的取值分布不均匀且集中在较小数值附近的特点(如图2 中(a)至(h)所示)，以及与均匀量化方法对比，提出并采用了μ律非均匀量化方法。该非均匀量化相当于将数据先输入一个μ律压扩函数，再进行均匀量化。非均匀量化使得数据小时，量化间隔也小，数据大时，量化间隔则大，解决了小数据量化时信量噪比小的问题。先将码字s转化为量化码字q，进而可将其编码为可传输的比特流，经上行链路发送到基站端。具体非均匀量化的压扩函数公式描述如下：

其中x为输入的压缩编码后的码字，y为经压扩函数压缩后的码字，μ为μ律中控制压扩程度的参数。如图3所示，μ越大，压扩程度越大。μ存在一个取值范围使得其能达到较好的量化效果，信量噪比相较于均匀量化更高。

(2)基站端包括一个逆量化模块和一个译码器

逆量化模块先将传输的比特流恢复成量化的码字q，再将量化码字q输入一个由全连接层组成的Offset网络，输出逆量化后恢复的压缩码字

译码器包含一个全连接层，一个Reshape层，两个卷积层和四个RefineNet单元，随机初始化各层参数，输入恢复后的压缩码字输出与信道矩阵H维度相同的重建信道矩阵

(3)编码器、Offset网络和RefineNet单元的最后一层采用的是Tanh激活函数，译码器的最后一个卷积层采用sigmoid激活函数，编码器、译码器和Offset网络的其余各卷积层均采用Leaky_ReLU激活函数并使用批归一化，除Offset网络以外的其他全连接层则采用线性激活函数。

(4)Offset网络包含一个输入层和三个全连接层，其中输入层数据与最后一个全连接层输出数据相加，作为Offset网络的输出；CsiNet译码器包含一个全连接层、两个RefineNet 单元和一个卷积层。RefineNet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加，作为RefineNet单元的输出。其中所有卷积层使用的都是7×7的卷积核。

(5)需要优化的代价函数为译码输出的信道矩阵与真实信道矩阵H的均方误差加上一个正则化项，该正则化项为逆量化后恢复的压缩码字和原压缩码字s的均方误差，目的在于控制引入的量化误差。

步骤三：对经量化的信道反馈及重建模型Quantized-CsiNet进行训练，采用Adam优化算法和端到端的学习方式，联合训练编码器、译码器和逆量化模块的参数，使得重建信道矩阵逐渐接近信道矩阵H，同时控制量化误差逐渐减小，也即使得代价函数最小，代价函数描述如下：

其中，M为训练集的所有样本数，||·||₂为欧几里得范数,H_i为训练集中第i个样本对应的角度-时间延迟域稀疏的信道矩阵；为重建后的H_i的估计值，λ是控制量化误差的正则化项系数，s_i是训练集中第i个样本对应的编码器输出的低维度的码字，是s_i经逆量化后恢复的码字。

最终获得训练好的模型参数主要包括全连接层的权重、偏置和卷积层的卷积核、偏置。

步骤四：对经量化的信道反馈及重建模型Quantized-CsiNet输出的重建信道矩阵进行二维逆DFT变换，恢复得到原始空间-频率域的信道矩阵的重建值；

步骤五：将已训练好的经量化的信道反馈及重建模型Quantized-CsiNet中用于各场景下信道状态信息的反馈和重建，由模型重建出角延迟域的信道矩阵并通过二维逆DFT变换恢复得到原始空频域的信道矩阵的重建值。

为了验证本发明方法可在CsiNet的基础上产生实际传输的比特流，且能抵消量化误差，保证极高的重建精度，特列举一个验证例进行说明。

本验证例是一种基于深度学习的信道状态信息压缩反馈重建中的量化及逆量化方法，通过数据驱动的编码器和译码器架构，在用户端将待反馈信道用不同压缩率的编码器压缩编码为低维度码字，再将码字量化编码为可传输的比特流，经反馈链路传送至基站端，由逆量化模块恢复出原压缩码字，再由译码器重建出原始信道矩阵。采用μ律非均匀量化和Offset逆量化网络，既减少了信道状态信息反馈开销，又抵消了量化误差，同时提高信道重建质量和对量化误差的鲁棒性，具体包括如下步骤：

步骤一：在一种MIMO的FDD系统中，基站端配置32根发送天线，用户端使用单根接收天线，采用OFDM载波调制方式，使用1024个子载波。用COST 2100模型根据上述条件，在5.3GHz的室内微蜂窝场景和300MHz的室外乡村场景各产生15000个空频域信道矩阵的样本，将样本集分成训练集、验证集和测试集，分别包含100000、30000和20000个样本。对样本中每一个空间-频率域的信道矩阵，用维度分别为1024×1024和32×32的DFT矩阵 F_d和F_a，对作二维DFT变换，得到角延迟域上稀疏的信道矩阵H，即因为多径到达时间之间的延迟在有限的时间范围内，所以在时间延迟域上，信道矩阵H只有在前 32行上有值，因此保留其前32行元素值，将其修正为32×32的信道矩阵H。

步骤二：如图1所示的Quantized-CsiNet架构中编码器部分设计用户端的编码器。将复数域信道矩阵的实部和虚部拆分为两个32×32大小的实数矩阵，作为两通道的特征图输入编码器。在编码器中，输入的矩阵先经过一个卷积层处理后，展平成一个2048×1的向量后再将其压缩。其中压缩4倍、8倍、16倍和32倍分别对应输出512维、256维、128维和64维的压缩码字。

步骤三：如图1所示的Quantized-CsiNet架构中量化部分设计用户端的量化模块。将编码器输出的压缩码字s输入量化模块，采用μ律非均匀量化进行量化。该非均匀量化相当于将数据先输入一个μ律压扩函数，再进行均匀量化。非均匀量化使得数据小时，量化间隔也小，数据大时，量化间隔则大，解决了小数据量化时信量噪比小的问题。经过实验仿真，发现μ值存在一个取值范围，当其取值在这个范围内时，非均匀量化可以达到较高的信量噪比，量化效果优于均匀量化。在该例证所研究的场景下，μ的取值范围为(10，50)。此外，量化后可以根据量化电平数将量化后的压缩码字转换成可传输的比特流经上行链路反馈至基站端。

步骤四：如图1所示的Quantized-CsiNet架构中逆量化部分设计基站端的逆量化模块。将接收到的比特流转换为量化码字，输入逆量化模块。逆量化模块为一个全连接的残差网络。即offset网络实际上训练的是量化误差，在输出层将量化值与训练出的量化误差相加即得到原始的压缩码字。只训练量化误差而非整体的逆量化值可以大大减少计算复杂度和时间复杂度。

步骤五：如图1所示的Quantized-CsiNet架构中译码器部分所示设计基站端的译码器。将逆量化后恢复的码字作为译码器的输入，先通过一个全连接层恢复到原始的2048×1的向量，再将其重组为两个32×32大小的矩阵。将这两个矩阵作为两通道的特征图输入，经多个 RefineNet不断地提取特征细化后，得到最终重建的信道矩阵的实部和虚部。

步骤六：设计整个Quantized-CsiNet的代价函数为网络输出的信道矩阵与真实信道矩阵H的均方误差加上一个正则化项，该正则化项为逆量化后恢复的压缩码字和原压缩码字s 的均方误差，目的在于控制引入的量化误差，即为其中， M为训练集的所有样本数，||·||₂为欧几里得范数,H_i为原信道矩阵；为重建信道矩阵，λ是控制量化误差的正则化项系数，s_i是原压缩码字，是逆量化后恢复的码字。用步骤一中产生的训练样本，采用Adam优化算法和端到端的学习方式，联合训练CsiNet编码器、CsiNet 译码器和Offset网络的参数，包括所有卷积层的卷积核、全连接层的权重和偏置，使得代价函数最小。每次迭代使用将训练集分为200个样本一批来计算梯度，根据Adam优化算法更新参数，以此方法遍历训练集500轮。采用可变的动态学习率，即设置初始学习率为0.001，当代价函数值趋于稳定时采用0.0001学习率。训练过程中用验证集调整模型超参数，用测试集测试模型最终性能。

步骤七：将训练好的Quantized-CsiNet模型用于FDD MIMO系统的信道反馈中。根据步骤一所述将待重建的空间-频率域信道矩阵变换为角度-时间延迟域信道矩阵H，输入Quantized-CsiNet模型后即可输出重建后的角延迟域信道序列

综上，本发明可实现经量化的信道反馈及重建模型Quantized-CsiNet，使其在实际场景中可产生可传输的比特流，并且相较于一般的均匀量化，采用μ律非均匀量化，提升了重建精度，同时可减小大规模MIMO信道信息的反馈开销，对量化误差具有极好的鲁棒性，在有限的资源开销下，实现高效且实际可行的信道状态信息的反馈。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (9)

1.一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，包括以下步骤：

步骤一：在MIMO的用户端，获取信道状态信息在空间-频率域的信道矩阵并对其作二维离散傅里叶变换，获得在角度-时间延迟域稀疏的信道矩阵H；

步骤二：构建经量化的信道反馈及重建模型Quantized-CsiNet，此模型包括编码器、译码器和量化、逆量化模块，其中编码器、量化模块属于用户端，逆量化模块和译码器属于基站端；在用户端，H输入编码器，编码器将H压缩成低维度的码字后输入量化模块，量化模块将低维度的码字进行量化；在基站端，量化后的码字输入逆量化模块，逆量化模块将量化后的码字进行恢复后输入译码器，译码器输出重建后的H的估计值

步骤三：对Quantized-CsiNet进行训练，使代价函数最小，以获得模型参数；

步骤四：对进行二维逆DFT变换，得到的重建值；

步骤五：将步骤三已训练好的Quantized-CsiNet中用于各场景下信道状态信息的反馈和重建，重建出角度-时间延迟域稀疏的信道矩阵并通过二维逆DFT变换恢复得到空间-频率域的信道矩阵的重建值。

2.根据如权利要求1所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，步骤二中：编码器包含一个卷积层和一个全连接层，随机初始化各层参数，将H的实部和虚部分离后共同作为编码器的输入，输出为比H维度低的一维向量，即为压缩编码后的码字s；量化模块采用μ律非均匀量化，先将码字s转化为量化码字q，进而将其编码为可传输的比特流，经上行链路发送到基站端；

逆量化模块先将传输的比特流恢复成量化的码字q，再将量化码字q输入一个由全连接层组成的Offset网络，输出逆量化后恢复的压缩码字

译码器依次包含一个全连接层、一个Reshape层、两个卷积层和四个RefineNet单元，随机初始化各层参数，输入恢复后的压缩码字输出与H维度相同的

3.根据如权利要求2所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，μ律非均匀量化的压扩函数公式描述如下：

其中，x为输入的压缩编码后的码字，y为经压扩函数压缩后的码字，μ为μ律中控制压扩程度的参数。

4.根据如权利要求2所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，Offset网络包含一个输入层和三个全连接层，其中输入层数据与最后一个全连接层输出数据相加作为Offset网络的输出。

5.根据如权利要求2所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，译码器依次包含一个全连接层、两个RefineNet单元和一个卷积层。

6.根据如权利要求2所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，RefineNet单元包含一个输入层和三个卷积层，其中输入层数据与最后一个卷积层输出数据相加作为RefineNet单元的输出。

7.根据如权利要求4、5、6所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，编码器、RefineNet单元和Offset网络的最后一层采用的是Tanh激活函数，译码器的最后一个卷积层采用sigmoid激活函数，编码器、译码器和Offset网络的其余各卷积层均采用Leaky_ReLU激活函数并使用批归一化，除Offset网络以外的其他全连接层则采用线性激活函数。

8.根据如权利要求1所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，步骤三中采用Adam优化算法和端到端的学习方式对Quantized-CsiNet进行训练，使代价函数最小，其中代价函数为：

其中，M为训练集的所有样本数，||·||₂为欧几里得范数，为||·||₂的平方，H_i为训练集中第i个样本对应的角度-时间延迟域稀疏的信道矩阵；为重建后的H_i的估计值，λ是控制量化误差的正则化项系数，s_i是训练集中第i个样本对应的编码器输出的低维度的码字，是s_i经逆量化后恢复的码字。

9.根据如权利要求1所述的一种大规模MIMO信道状态信息反馈中的量化和逆量化方法，其特征在于，步骤三中所述的模型参数包括全连接层的权重、偏置和卷积层的卷积核、偏置。